KR101685335B1 - 빅데이터 의미 기반 재난 감성분류방법 - Google Patents

Abstract

본 발명은 빅데이터 의미 기반 재난 감성분류 및 이를 이용한 재난 예방법에 대한 것으로, 상기한 본 발명의 빅데이터 의미 기반 재난 감성분류 방법은 재난 유형별 발생 과정 또는 대응 방안에 따라 사람들이 느끼는 감정이 어떻게 변화하는지 모니터링할 수 있는 재난 감성분류 방법으로서, 재난의 발생하면, 시간의 경과에 따라 재난이 심각해지고, 그에 따라 대처가 요구되고, 이 요구에 따라 재난대처가 되면 그에 따라 대처 불만과 대처 안도로 나뉘게 되며, 상기 각 과정에 따라 재난의 발생 시기부터 재난의 진행과정에 따라, 센서, 소셜 미디어 및 언론보도와 같은 빅데이터에 나타난 의미 기반에서 이를 불안, 심각, 슬픔, 불만, 긍정의 5 가지 감성 유형으로 재난 감성을 분류하는 것을 특징으로 한다.
상기와 같이 구성되는 본 발명의 빅데이터 의미 기반 감성분류 및 이를 이용한 재난 예방법은 빅데이터 기반 재난 모니터링 기술을 개발하고, 정형비정형 빅데이터를 융합분석한 재난 대응전파기술을 개발하여 수행하므로, 종래 기술에 있어서의 문제점을 해결하고 사회적 요구에 부응하여 재난 빅데이터 융합분석을 통한 재난 전조 감지 및 대응전파기술을 제공할 수 있는 유용한 발명이다.

Description

빅데이터 의미 기반 재난 감성분류방법 {The disaster sentiment classifying method based on the big data meaning}

본 발명은 빅데이터 의미 기반 재난 감성분류 및 이를 이용한 재난 예방법에 대한 것으로, 더욱 자세하게는 재난 유형별 발생 과정 또는 대응 방안에 따라 사람들이 느끼는 감정상태에 맞는 적절한 키워드가 어떻게 변화하는지 모니터링하여 재난 빅데이터 융합분석을 통한 재난 전조 감지 및 대응전파기술을 제공할 수 있는 빅데이터 의미 기반 재난 감성분류방법에 대한 것이다.

정보통신기술의 발전과 모바일 단말의 보급 확대, 인터넷 서비스 확산 등으로 인하여 데이터가 폭증하고 있으며, 특히 현재 폭발적으로 늘어나고 있는 인터넷 인구에 비례하여 인터넷망에는 10억 개가 넘는 사이트(site)들이 운영되고 있어 수많은 빅데이터가 존재하고 있고, 이로부터 다양한 데이터를 수집하고 이를 분석/관리하는 과정을 통해 많은 가치를 창출하고자 하는 기대가 증가하고 있는 실정이다. 또한, 대한민국 정부에서 실행하는 "정부 3.0"의 핵심가치는 국민의 신뢰와 지지를 받은 국민 공감형 정책을 요구하는 것으로, 이와 같이 사람과 사람간의 발생하는 빅데이터 분석을 통해 창출된 가치를 활용하는 능동형 스마트 정부 구현에 대한 요구가 또한 증대하고 있다.

상기와 같은 사회적 변화에 따라, 재난 관리 또한 정부 중심의 대응뿐만 아니라, SNS 등의 빅데이터를 활용하여 국민이 생산한 컨텐츠를 분석 활용하는 재난 관리 및 대응과 정치, 사회, 경제 등 사회적으로 발생한 이슈에 대한 모니터링과 연계된 분석 예측 방식으로 변화해야 하는 필요성이 대두되고 있다. 이러한 요구에 따라 재난 분야에서 발생하는 빅데이터(예를 들어, 센서, 소셜 미디어, 언론보도 등)를 실시간 수집, 가공, 분석을 통해 재난 전조를 감지하고, 피해의 예측 및 대응 전파 기술 등에 대한 개발이 필요하다.

그런데, 상기한 바와 같은 요구에 응하여 제시된 기술적 대응은 일반적으로 효과적으로 수행될 수 있는 방안으로 제시되지 못할 뿐만 아니라 시간적, 경제적으로 손실의 발생을 수반하게 되는 문제점이 있다. 다만, 감성 정보 또는 데이터를 이용한 것으로서는, 예를 들어 대한민국 특허공개번호 제2008-0067854호에서는, 감성 정보 송수신 방법 및 감성 정보 송수신 장치라는 명칭으로 "방송 콘텐트와 연동되어 표출될 수 있고, 독립적으로 제어 가능한 감성 정보를 생성하고, 상기 감성 정보를 방송 프로토콜에 따라 부호화하는 단계; 상기 부호화한 감성 정보를 상기 방송 프로토콜에 따라 변조하는 단계; 및 상기 변조한 감성 정보를 전송하는 단계;를 포함하고, 상기 감성 정보는, 워터마크(watermark) 알고리즘에 따라 상기 방송 콘텐트에 은닉되어 전송되는 것을 특징으로 하는 감성 정보 송신 방법"을 개시하고 있으며, 대한민국 특허공개번호 제2014-0097474호에서는, 생리학적 데이터를 사용하여 하나 이상의 사람들의 소셜 감성을 예측하기 위한 방법 및 시스템을 개시하는 것으로, "생리학적 데이터를 사용하여 복수의 사람들의 소셜 감성을 예측하기 위한 방법에 있어서, 복수의 컴퓨팅 디바이스 상에서 복수의 사람들로부터의 생리학적 데이터를 수신하는 단계와, 상기 생리학적 데이터를 분석하는 단계와, 상기 생리학적 데이터를 사용하여 상기 복수의 사람들의 소셜 감성을 결정하는 단계를 포함하는 소셜 감성 예측 방법"을 개시하고 있을 뿐이고, 빅데이터 상에 표출된 감성을 이용한 것에 대한 제시는 없는 실정이다.

이에 본 발명자 등은 소셜 미디어 데이터를 대상으로 재난 이슈 탐지 기술, 재난 감성분석 기술, 재난 피해 관련 용어 및 관계 사전을 개발하였고, 이를 바탕으로 소셜 빅데이터를 기반으로 하는 본 발명을 완성하게 되었다.

특허문헌 1: 대한민국 특허공개번호 제2008-0067854호 특허문헌 2: 대한민국 특허공개번호 제2014-0097474호

따라서, 본 발명은 상기한 종래 기술에 있어서의 문제점을 감안하여 된 것으로, 본 발명의 주요 목적은 상기한 종래 기술에 있어서의 문제점을 해결하고 사회적 요구에 부응하기 위한 것으로, 재난 빅데이터 융합분석을 통한 재난 전조 감지 및 대응전파기술을 제공할 수 있는 빅데이터 의미 기반 재난 감성분류 방법을 제공하기 위한 것이다.

본 발명의 다른 목적은 상기한 특징을 갖는 빅데이터 의미 기반 재난 감성분류를 이용한 재난 예방법을 제공하기 위한 것이다.

본 발명은 또한 상기한 명확한 목적 이외에 본 명세서의 전반적인 기술로부터 이 분야의 통상인에 의해 용이하게 도출될 수 있는 다른 목적을 달성함을 그 목적으로 할 수 있다.

상기한 본 발명의 목적은 1단계로 빅데이터 기반 재난 모니터링 기술을 개발하고, 2단계로 정형비정형 빅데이터를 융합분석한 재난 대응전파기술을 개발하여 수행될 수 있으며, 재난분야 비정형 빅데이터 범위 및 분류체계 정의, 재난-피해 관련 용어모델 개발, 재난-피해 관련 관계모델 개발, 비정형 빅데이터 모니터링 모델 개발사업의 수행과 이들 결과물을 바탕으로 재난 분야 소셜 빅데이터 의미 기반 모니터링 기술 개발 및 검증을 목표로 하며, 재난 관리를 지원하는 모니터링 서비스를 개발하였고 이에 대한 검증을 통해 비정형 빅데이터의 재난관리 활용을 위한 기반을 마련하여 달성될 수 있었다.

상기 목적을 달성하기 위한 본 발명의 빅데이터 의미 기반 재난 감성분류 방법은;

재난 유형별 발생 과정이나 대응 방안에 따라, 또는 재난 발생 후에 사람들이 느끼는 감정이 어떻게 변화하는지 모니터링할 수 있는 재난 감성분류 방법으로서,

재난의 발생하면, 시간의 경과에 따라 재난이 심각해지고, 그에 따라 대처가 요구되고, 이 요구에 따라 재난대처가 되면 그에 따라 대처 불만과 대처 안도로 나뉘게 되며, 상기 각 과정에 따라 재난의 발생 시기부터 재난의 진행과정에 따라, 소셜 미디어를 기반으로 생성되는 소셜 빅데이터를 의미 기반에서 이를 불안, 심각, 슬픔, 불만, 긍정의 5 가지 감성 유형으로 재난 감성을 분류하는 것을 특징으로 한다.

본 발명의 다른 구성에 따르면, 상기 방법은 분류된 각 감성 유형별로 정량화하는 방법을 더 포함하는 것임을 특징으로 한다.

본 발명의 또 다른 구성에 따르면, 상기 감성 유형별 정량화는 감성 키워드 가중치에 의한 정량화, 메세지별 감성도 정량화 또는 재난 유형별 감성도 정량화에 의한 것임을 특징으로 한다.

본 발명의 또 다른 구성에 따르면, 상기 키워드 가중치에 의한 정량화는 단어 빈도에 비례한 공기 빈도에 의해 정량화하는 것을 특징으로 한다.

본 발명의 또 다른 구성에 따르면, 상기 메세지별 감성도 정량화는 키워드 가중치 합산 방법/메세지 길이의 방법 중에 하나를 사용함을 특징으로 한다.

본 발명의 또 다른 구성에 따르면, 상기 재난 유형별 감성도 정량화는 일정시간 이내 해당 재난 메세지들의 감성도를 모두 합산하는 방법을 사용함을 특징으로 한다.

상기 다른 목적을 달성하기 위한 본 발명의 빅데이터 의미 기반 감성분류를 이용한 재난 예방법은;

재난 유형별 발생 과정 또는 대응 방안에 따라 사람들이 느끼는 감정이 어떻게 변화하는지 모니터링할 수 있는 재난 감성분류 방법을 이용하여, 재난의 발생하면, 시간의 경과에 따라 재난이 심각해지고, 그에 따라 대처가 요구되고, 이 요구에 따라 재난대처가 되면 그에 따라 대처 불만과 대처 안도로 나뉘게 되며, 상기 각 과정에 따라 재난의 발생 시기부터 재난의 진행과정에 따라, 센서, 소셜 미디어 및 언론보도와 같은 빅데이터에 나타난 의미 기반에서 이를 불안, 심각, 슬픔, 불만, 긍정의 5 가지 감성 유형으로 재난 감성을 분류하고, 상기 방법에 의해 분류된 각 감성 유형을 정량화하여, 그 수치가 일정한 값에 도달하는 경우 재난 대응 방안을 전파하도록 함을 특징으로 한다.

상기와 같이 구성되는 본 발명의 빅데이터 의미 기반 감성분류 및 이를 이용한 재난 예방법은 빅데이터 기반 재난 모니터링 기술을 개발하고, 정형비정형 빅데이터를 융합분석한 재난 대응전파기술을 개발하여 수행하므로, 종래 기술에 있어서의 문제점을 해결하고 사회적 요구에 부응하여 재난 빅데이터 융합분석을 통한 재난 전조 감지 및 대응전파기술을 제공할 수 있는 유용한 발명이다.

도 1은 본 발명의 바람직한 실시형태에 따른 빅데이터 의미 기반 감성분류에 사용되는 재난피해 감성 유형을 단계별로 나타낸 개략도이고,
도 2는 본 발명의 바람직한 실시형태에 따라 "수원 토막살인 사건"의 발생 전인 12월 2일부터 15일까지 14일간의 "살인"에 대한 감성 분석 화면을 나타낸 것이고,
도 3은 본 발명의 바람직한 실시형태에 따라 "파키스탄 탈레반 학생 테러" 사건이 발생한 무렵인 12월 15일부터 17일간의 "테러" 감성분석 화면이다.

이하, 본 발명의 바람직한 실시형태를 첨부된 도면들을 참조하여 보다 상세히 설명하기로 한다. 하지만, 본 발명의 범주가 여기에 한정되는 것이 아님은 물론이다.

본 명세서에서, 본 실시형태는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것으로서, 본 발명의 범주는 단지 청구항에 의해 정의될 뿐이다. 따라서, 몇몇 실시형태들에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.

본 명세서에서 사용된 용어들은 실시형태를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 결코 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않은 한 복수형도 포함한다. 또한, '포함(또는, 구비)한다'로 언급된 구성 요소 및 동작은 하나 이상의 다른 구성요소 및 동작의 존재 또는 추가를 배제하지 않는다.

도 1은 본 발명의 바람직한 실시형태에 따른 빅데이터 의미 기반 감성분류에 사용되는 재난피해 감성 유형을 단계별로 나타낸 개략도이다.

본 발명의 바람직한 실시형태에 따른 빅데이터 의미 기반 감성분류에서는 도 1에 도시된 바와 같이, 재난 유형별 발생 과정 또는 대응 방안에 따라 사람들이 느끼는 감정이 어떻게 변화하는지 모니터링할 수 있는 기술을 개발한 것으로, 재난의 발생하면, 시간의 경과에 따라 재난이 심각해지고, 그에 따라 대처가 요구되고, 이 요구에 따라 재난대처가 되면 그에 따라 대처 불만과 대처 안도로 나뉘게 되며, 상기 각 과정에 따라 재난의 발생 시기부터 재난의 진행과정에 따라 빅데이터 기반에서는 불안, 심각, 슬픔, 불만, 긍정의 5 가지 감성 유형으로 분류되어 질 수 있다.

종래에 제시될 수 있었던 감성분석은 긍정, 부정, 관망이라는 단순한 분석체계에 불과했지만, 본 발명에서는 상기와 같이 재난 분야 감성 단계 확장을 통한 감성 분석 성능 향상에 대한 필요성을 공감하여 단순 빈도 기반의 감성 분석이 아닌 키워드, 메세지, 재난 유형별 감성도 정량화 기법을 통하여 감성 단계를 기존에 긍정, 부정, 관망에서 부정적인 감성에 초점을 맞춘 불안, 심각, 슬픔, 불만, 긍정 5 가지 감성 유형으로 분류하였다.

본 발명의 다른 바람직한 실시형태에 따르면, 상기와 같이 구성되는 본 발명의 빅데이터 의미 기반 감성분류의 불안은, 여기에 한정되는 것은 아니지만, 센서, 소셜 미디어, 인터넷, 언론보도 등에서 실시간 수집된 빅데이터 기반 의미가 "무섭다", "걱정되다", "구조 바라다", "기도하다"와 같은 것은 불안으로 분류되어 질 수 있다.

본 발명의 다른 바람직한 실시형태에 따르면, 상기와 같이 구성되는 본 발명의 빅데이터 의미 기반 감성분류의 심각은, 여기에 한정되는 것은 아니지만, 센서, 소셜 미디어, 인터넷, 언론보도 등에서 실시간 수집된 빅데이터 기반 의미가 "심각하다", "악화되다", "위험하다", "구조어렵다"와 같은 것이 심각으로 분류되어 질 수 있다.

본 발명의 또 다른 바람직한 실시형태에 따르면, 상기와 같이 구성되는 본 발명의 빅데이터 의미 기반 감성분류의 슬픔은, 여기에 한정되는 것은 아니지만, 센서, 소셜 미디어, 인터넷, 언론보도 등에서 실시간 수집된 빅데이터 기반 의미가 "안타깝다", "슬프다", "비극이다", "눈물나다"와 같은 것은 슬픔으로 분류되어 질 수 있다.

본 발명의 다른 바람직한 실시형태에 따르면, 상기와 같이 구성되는 본 발명의 빅데이터 의미 기반 감성분류의 불만은, 여기에 한정되는 것은 아니지만, 센서, 소셜 미디어, 인터넷, 언론보도 등에서 실시간 수집된 빅데이터 기반 의미가 "실망하다", "졸속이다", "엉망이다", "책임묻다"와 같은 것은 불만으로 분류되어 질 수 있다.

본 발명의 다른 바람직한 실시형태에 따르면, 상기와 같이 구성되는 본 발명의 빅데이터 의미 기반 감성분류의 긍정은, 여기에 한정되는 것은 아니지만, 센서, 소셜 미디어, 인터넷, 언론보도 등에서 실시간 수집된 빅데이터 기반 의미가 "수습되다", "개선되다", "안정되다", "나아지다"와 같은 것은 긍정으로 분류되어 질 수 있다.

상기와 같이 본 발명에 따른 재난 감성 분류에 이용되는 빅데이터 기반 의미인 불안, 심각, 슬픔, 불만, 긍정의 5 가지 감성 유형의 분류에 대해 보다 구체적인 실시형태로 설명하면 다음과 같다.

먼저, 일반적인 상황이 아닌, 실제 재난 사고와 관련된 감성어 추출을 위해 메세지 데이터 분석을 통해 감성어가 될 만한 키워드 유형에 대한 검토를 한 후, 이를 감성 키워드 사전 구축에 적용하였으며, 이를 이용할 수 있다. 재난 발생 시 발현된 감성 키워드 유형을 검토하여 다음 표 1과 같이 일반 감성 표현, 감각 표현, 묘사나 평가 표현, 명사형 어절, 관형형 표현, 부사어 등의 다양한 표현을 감성 사전으로 구축한다. 하지만, 표 2에 나타난 바와 같은, 재난 상황과 전혀 관련이 없는 감성 표현이나, 중의성이 많은 단일어는 항목을 추가하여 사용하거나 재난 감성유형에서 제외하였다.

감성 키워드 유형	키워드 예시	감성어 적용 여부
일반 감성어	나쁘다, 슬프다, 기쁘다	일반적인 감성 용언 사용
감각어	따스하다, 따뜻하다	감각어 사용
묘사/평가 표현	안전규칙 무시하다, 막말하다 말아먹다, 언론 믿지못하다	묘사 및 평가 표현은 감성 용언은 아니지만, 사용자의 감성이 담겨있어 감성어로 사용
명사형	처참, 패닉, 참사, 개소리, 아비규환, 양심불량, 어이상실	부정/긍정 명사 사용
관형형	무책임한, 부족한, 무능한 무성의한, 부실한	관형어 형태 사용
부사어	다행히, 불행히	부사 형태 사용

감성 키워드 유형	키워드 예시	감성어 적용 여부
중의적 표현	정신차리다, 힘내다, 책임지다 신속한 대처, 방지하다, 편안하다	어절 자체는 긍정적 표현이나, 전체 문맥은 "정신차려!", "이번 참사 책임져야 한다", "정당함과 신속한 대처는 어디에도 없구나", "부디 편안하시길..." 등의 부정적 의미가 대다수 사전 분석결과에서 원형으로 분석되어 "힘냈으면 좋겠다", 문장도 "힘내다"로만 분석됨 => 중의적 표현은 재난 상황에서 좀더 많이 쓰이는 경우를 염두에 두고 감성 타입을 결정하거나 제외
싫다, 좋다	싫다, 좋다	싫다/좋다 단일어만 쓰인 경우는 중의성이 많아 제외
기타	황홀하다, 세련되다, 빵 터지다, 부드럽다	재난과 관계없는 감성 키워드는 대부분 제외

실제 재난 피해와 관련 있는 사람들의 감성을 수집하기 위해, 실제로 2014년도 세월호 침몰, 마우나 리조트 붕괴사고 등의 재난 발생 기간 내 트위터 문서에서 발현된 감성어 약 16,000건을 검토하여 5개의 유형별로 감성 키워드를 구축하여, 감성키워드 개수를 다음 표 3에, 감성 키워드 예시를 표 4에 각각 나타냈다.

구분	감성 유형	용어 모델 개수
1차	긍정	351 개
	주의
	관망
2차	불안	2,604 개
	심각
	슬픔
	불만
	긍정

감성 모델	키워드 예시
불안	걱정되다, 공포스럽다, 구조 바라다, 무섭다, 불안하다, 우려되다, 동요하다, 날벼락이다, 두렵다, 철렁하다, 기도하다, 떨리다, 초조하다, 조마조마하다, 겁먹다
심각	참사, 사고 크다, 나빠지다, 비상이다, 심각하다, 너무 위험하다, 큰일나다, 끔찍하다, 혼비백산, 처참하다, 절박하다, 인명피해크다, 상황 안좋다, 긴박하다, 위기 처하다, 아비규환
슬픔	가슴 아프다, 눈물나다, 마음 아프다, 불쌍하다, 비극이다, 상심하다, 슬프다, 안타깝다, 애타다, 우울하다, 절망하다, 탄식하다, 울다, 고통스럽다, 비통하다, 미안하다, 애도하다
불만	무책임한 정부, 부실한 정부, 격분하다, 답답하다, 대책 이상하다, 못마땅하다, 무능하다, 부주의하다, 불만스럽다, 불신하다, 실망하다, 원망하다, 안일하다, 분노감, 분노하다
긍정	희망적이다, 호전되다, 피해 적다, 최선 다하다, 긍정적이다, 나아지다, 다행스럽다, 만족스럽다, 무사하다, 구조 빠르다, 기적 일어나다, 도움되다, 든든하다, 양호하다, 안정되다

본 발명의 다른 바람직한 실시형태에 따른 빅데이터 의미 기반 감성분류에서는 재난 유형별 감성도 정량화 모듈 개발하였다.

본 발명에 따른 재난 유형별 감성도 정량화 모듈은 재난 유형별로 사람들이 느끼는 감정을 수치화하여 감성도로 표현한 것으로, 재난 유형별 감성도 정량화를 위해, 미리 구축한 감성 사전의 감성 키워드에 대한 키워드별 감성도 가중치를 학습하고, 키워드별 감성도 가중치를 이용하여, 메세지별 감성도를 정량화하고 최종적으로는 재난 유형별 감성도 정량화를 수행할 수 있다.

미리 구축한 5가지 감성 유형의 감성 키워드 중에서, 동일한 감성 유형 키워드일지라도 감성도의 세기가 다르다. 예를 들면, "슬픔" 감성 유형에서 "안타깝다"에 비해 "비통하다"는 "슬픔" 감성도가 크다. 그러므로 키워드별로 감성도 세기를 다르게 해야 할 필요가 있다.

본 발명에 따른 감성 키워드 가중치 학습은 아래와 같이 크게 4가지 방식으로 수행하였다:

1) 일반 빈도에 비례한 재난 빈도

재난 관련 정보를 알리는 메세지 집합에 비해, 재난 발생 이슈 탐지로 추출된 메세지 집합에서 자주 나오는 감성 키워드들은 감성의 세기가 강할 것이다. 사람들은 일반적인 상황보다 재난 발생 상황과 같이 위급한 상황에서 감정이 격해져 감성의 세기가 강한 감성 키워드를 사용하기 때문이다. 이러한 감성 키워드 가중치를 계산하는 수식은 다음과 같다:

상기 식에서 senti는 해당 감성 키워드를 의미하며, Senti _ Weight ( senti )는 해당 감성 키워드의 감성도 가중치를 의미하며, Num _senti ( detected )는 재난 발생 이슈 탐지로 추출된 트윗들 중에서 해당 감성 키워드가 포함된 트윗 수를 의미하며, Num _senti (total)은 전체 트윗들 중에서 해당 감성 키워드가 포함된 트윗 수를 의미한다.

2) 급상승 재난 이슈 관련도

재난 발생 이슈 탐지로 추출된 메세지 집합과 관련도가 높은 감성 키워드들은 감성의 세기가 강할 것이다. 키워드 관련도 가중치 학습 방법과 유사하게, 키워드 감성도 가중치 또한 재난 발생과 감성도의 세기는 관련이 있기 때문이다. 다음은 감성 키워드 가중치를 계산하는 수식이다:

상기 식에서 senti , Senti _ Weight ( senti ), Num _senti ( detected ), Num _senti (total)은 상기 일반 빈도에 비례한 재난 빈도 방식과 동일한 의미이며, Num(detected)는 재난 발생 이슈 탐지로 추출된 메세지 수를 의미한다.

3) 공기 빈도

재난 발생 이슈 탐지로 추출된 메세지 집합에서, 동일 감성 유형의 감성 단어와 자주 나오는 감성 단어는 감성의 세기가 강할 것이다. 사람들은 동일한 감성 유형을 갖고 자신의 의견을 표현하려 한다. 의견 표현을 위해 사용하는 감성 단어는 다르지만, 동일한 감성 유형을 갖기 때문에 동일 감성 유형의 공기 빈도가 높다면 감성의 세기도 강할 것이다. 이러한 감성 키워드 가중치를 계산하는 수식은 다음과 같다:

상기 식에서 senti는 해당 감성 키워드를 의미하며, Senti _ Weight ( senti )는 해당 감성 키워드의 감성도 가중치를 의미하며, Num _{senti , SENTIMENT} ( detected )는 재난 발생 이슈 탐지로 추출된 트윗들 중에서 해당 감성 키워드와 동일 유형 감성 키워드의 공기 빈도를 의미한다. 예를 들어, "지금 상왕십리역에서 지하철 사고 났대요 아 진짜 왜 그래 너무 무섭다 ㅜㅜ 손 떨려 "라는 트윗에서 "불안" 유형의 감성 단어인 "무섭다"와 "떨리다"의 공기 빈도는 1이다.

4) 단어 빈도에 비례한 공기 빈도

감성 단어 빈도수에 비례해서, 동일 감성 유형의 감성 단어와 자주 나오는 감성 단어는 감성의 세기가 강할 것이다. 위에서 설명한 공기 빈도 방법을 감성 단어 빈도수에 비례해서 가중치를 학습하는 방법이다. 이러한 감성 키워드 가중치를 계산하는 수식은 다음과 같다:

상기 식에서, senti, Senti _ Weight ( senti ), Num _{senti , SENTIMENT} ( detected )은 상기 공기 빈도 방식과 동일한 의미이며, Num _senti ( detected )는 재난 발생 이슈 탐지로 추출된 트윗들 중에서 해당 감성 키워드가 포함된 트윗 수를 의미한다.

상기와 같이 본 발명에 따른 감성 키워드의 각 가중치 학습 방법으로 각 감성 분류별 키워드 감성도를 순위화하고, 그리고 10분위로 그룹화하여, 1.1 ~ 2.0 사이의 가중치를 부여하였다. 학습 데이터 기간은 2013년 1월 1일 ~ 2014년 7월 30일까지이다. 다음 표 5 내지 9는 감성 유형별 감성 키워드 가중치 결과 예로서, 표 5는 불만 감성 유형에 대한 감성 키워드 가중치 예를 나타내고, 표 6은 심각 감성 유형에 대한 감성 키워드 가중치 예를 나타내고, 표 7은 슬픔 감성 유형에 대한 감성 키워드 가중치 예를 나타내고, 표 8은 불안 감성 유형에 대한 감성 키워드 가중치 예를 나타내고, 표 9는 불만 감성 유형에 대한 감성 키워드 가중치 예를 나타낸다.

가중치	일반 빈도 비례 재난 빈도	재난 관련도	공기 빈도	단어 빈도 비례 공기 빈도
2.0	참사키우다	참사키우다	무능하다	너무심하다
1.9	사주하다	급급하다	논란되다	분하다
1.8	분노느끼다	사주하다	한심하다	비웃다
1.7	엉망이다	한심하다	분하다	허비하다
1.6	허비하다	너무심하다	너무심하다	한심하다
1.5	너무심하다	엉망이다	사주하다	대책없다
1.4	분하다	비웃다	열악하다	열악하다
1.3	괘씸하다	허무하다	허무하다	괘씸하다
1.2	비웃다	괘씸하다	괘씸하다	허무하다
1.1	엉망이다	엉망이다	엉망이다	엉망이다

가중치	일반 빈도 비례 재난 빈도	재난 관련도	공기 빈도	단어 빈도 비례 공기 빈도
2.0	참사드러나다	참사드러나다	구조기다리다	참사드러나다
1.9	생명잃다	생명잃다	상황악화되다	상황악화되다
1.8	순직하다	순직하다	패닉빠지다	악화되다
1.7	생명위협하다	사건크다	절박하다	끔직하다
1.6	지원필요하다	절실하다	버겁다	피해크다
1.5	심각하다	상황악화되다	큰일나다	위험크다
1.4	절실하다	비참하다	피해많다	절박하다
1.3	시간없다	심화되다	지원필요하다	심각하다
1.2	고단하다	고단하다	주의필요하다	구출기다리다
1.1	최악이다	최악이다	최악이다	최악이다

가중치	일반 빈도 비례 재난 빈도	재난 관련도	공기 빈도	단어 빈도 비례 공기 빈도
2.0	사고안타깝다	눈물나다	눈물나다	애도표하다
1.9	애통하다	슬픔빠지다	애도표하다	너무불쌍하다
1.8	절규하다	애통하다	울컥하다	슬프다
1.7	상실하다	가슴치다	애통하다	비통하다
1.6	애잔하다	절규하다	슬픔크다	숙연하다
1.5	눈물흐르다	숙연하다	흐느끼다	우울하다
1.4	좌절되다	절망하다	암담하다	추모하다
1.3	고통느끼다	죄송스럽다	아련하다	착잡하다
1.2	막막하다	대성통곡하다	좌절되다	심란하다
1.1	불행이다	불행이다	근심하다	근심하다

가중치	일반 빈도 비례 재난 빈도	재난 관련도	공기 빈도	단어 빈도 비례 공기 빈도
2.0	놀랍다	놀랍다	기도하다	공포떨다
1.9	염려스럽다	염원하다	걱정되다	안절부절
1.8	숨죽이다	위축되다	진짜무섭다	무섭다
1.7	기다리다	다급하다	무서워하다	걱정되다
1.6	예민하다	불길하다	섬뜩하다	섬뜩하다
1.5	오싹하다	깜깜하다	민감하다	우려하다
1.4	걱정되다	오싹하다	두려워하다	다급하다
1.3	놀라다	근심스럽다	깜깜하다	조마조마
1.2	안절부절	간당간당하다	꺼림직하다	꺼림직하다
1.1	심란	심란	심란	심란

가중치	일반 빈도 비례 재난 빈도	재난 관련도	공기 빈도	단어 빈도 비례 공기 빈도
2.0	구조하다	구조하다	구조되다	너무감사하다
1.9	대피하다	기적	구조하다	뿌듯하다
1.8	확보하다	대피시키다	안전하다	호전되다
1.7	사람살리다	생명지키다	대피시키다	감동스럽다
1.6	온전하다	희망있다	나아지다	다행스럽다
1.5	단비같다	나아지다	희망주다	무사하다
1.4	기대하다	감동받다	안도하다	헛되지않다
1.3	괜찮다	흐뭇하다	침착하다	구조빠르다
1.2	너무멋있다	존중하다	호전되다	진정되다
1.1	희망적이다	희망적이다	희망적이다	희망적이다

본 발명의 다른 바람직한 실시형태에 따르면, 본 발명의 빅데이터 의미 기반 감성분류는 메세지별 감성도 정량화를 제시한다. 이는 미리 구축한 감성 키워드 가중치를 이용하여 메세지별 감성도 정량화를 할 수 있게 하는 것이다. 메세지에 내포되어 있는 감성 키워드가 있을 경우, 해당 키워드의 감성 키워드 가중치가 반영된다. 임의의 한 메세지는 5가지 감성 유형의 감성도로 수치화한다. 5가지 감성 유형에 대해 복수 개의 감성을 지닐 수도 있으며, 어떠한 감성도 지니지 않을 수 있다. 이러한 메세지별 감성도 정량화는 하기와 같이, 메세지 내 키워드의 감성 키워드 가중치를 모두 합산하는 방법과 모두 합산한 후에 메세지 길이를 나눠주는 방법의, 키워드 가중치 합산, 키워드 가중치 합산/메세지 길이의 2가지로 수행할 수 있다:

1) 키워드 가중치 합산

사람들은 재난 발생 이슈에 대해 감정이 격해질수록 감성 단어를 많이 사용할 것이다. 그러므로 메세지 내에 내포된 모든 키워드들의 감성 키워드 가중치를 합산해야할 필요가 있다. 이러한 키워드 가중치 합산 방법은 메세지 내 모든 키워드들의 감성 키워드 가중치를 모두 합산하여 계산한다.

2) 키워드 가중치 합산/메세지 길이

키워드 가중치 합산 방법은 메세지 길이가 길수록 감성도가 높아질 경우가 많다. 그러므로 키워드 개수에 따른 감성도 보정을 해야할 필요가 있다. 이러한 (키워드 가중치 합산 / 메세지 길이) 방법은 키워드 가중치 합산 방법의 감성도에 메세지의 키워드를 나눈다. 즉, 키워드당 평균 감성도와 동일하다.

3) 메세지별 감성도 정량화 방법의 비교평가

상기한 키워드 가중치 합산 및 키워드 가중치 합산/메세지 길이 방법에 대한 비교를 위해, 임의의 한 메세지에 대한 감성도 정량화를 수행하였으며, 그 결과는 다음 예문 및 표 10과 같다.

"부산 폭우로 인해 피해가 심하네요 .. 걱정됩니다 ㅠㅠ ”

감성 유형	키워드			감성 키워드 가중치
불만	심하다			1.3
불안	걱정되다			1.7
정량화 방법	긍정	불만	불안		슬픔	심각
키워드 가중치 합산	0	1.3	1.7		0	0
키워드 가중치 합산 / 메세지 길이	0	0.2	0.3		0	0

상기 예문에서 "심하다" 키워드의 "불만" 유형 가중치 1.3과 "걱정되다" 키워드의 "불안" 유형 가중치 1.7을 합산하여, 키워드 가중치 합산 방법의 감성도는 "불만" 1.3, "불안" 1.7의 감성도가 계산된다. 나머지 감성 유형의 감성도는 0이다.

키워드 가중치 합산 방법/메세지 길이는 메세지의 키워드 개수가 6이므로 약 "불만" 0.2, "불안" 0.3의 감성도가 계산된다. 나머지 감성 유형의 감성도는 0이다. 그러나, 위 예문 메세지는 "불만"과 "불안"의 감정이 내포되어 있는 메세지이다. 키워드 가중치 합산 방법/메세지 길이는 나머지 감성 유형의 감성도와 "불만", "불안"의 감성도와 큰 차이가 없는 문제점이 존재한다. 그러므로, 메세지별 감성도 정량화는 키워드 가중치 합산 방법으로 계산하는 것이 바람직하다.

또한, 본 발명의 바람직한 실시형태에 따르면, 본 발명에서는 재난 유형별 감성도 정량화를 수행할 수 있다. 즉, 상기와 같이 미리 구축한 감성 사전의 감성 키워드에 대한 키워드별 감성도 가중치를 학습하고, 또한 키워드별 감성도 가중치를 이용하여, 메세지별 감성도를 정량화하고 최종적으로는 재난 유형별 감성도 정량화를 수행할 수 있다.

본 발명의 바람직한 실시형태에 따른 재난 유형별 감성도 정량화는 2가지로 수행하였다. 1시간 이내 해당 재난 메세지들의 감성도를 모두 합산하는 방법과 모두 합산한 후 1시간 이내의 해당 재난 메세지 개수를 나눠주는 방법으로 수행하였다.

1) 메세지별 감성도 합산

사람들은 재난 발생 이슈에 대해 감정이 격해질수록 메세지를 많이 작성하므로, 각 메세지의 감성도를 모두 합산해야할 필요가 있다. 1시간 이내 해당 재난 메세지들의 감성도를 모두 합산하여 재난 유형별 감성도를 정량화한다.

2) 메세지별 감성도 합산/메세지 갯수

상기 메세지별 감성도 합산 방법은 메세지의 수가 많을수록 감성도가 높아지게 되므로, 메세지 개수로 감성도를 보정할 필요가 있다. 따라서, 1시간 이내 해당 재난 메세지들의 감성도를 모두 합산하고, 1시간 이내 해당 재난 메세지 개수로 나누어 재난 유형별 감성도를 정량화한다. 즉, 메세지당 평균 감성도와 동일하다.

3) 재난 유형별 감성도 정량화 방법 비교 평가

상기한 바와 같은 메세지별 감성도 합산과 메세지별 감성도 합산/메세지 개수의 방법에 대한 비교를 위해, 실제 재난이 발생했던 시간에 대해 재난 유형별 감성도 정량화를 수행하였으며, 그 결과는 아래와 같다.

다음 표 11은 2014년 2월 17일 21시경에 발생한 "붕괴사고" 재난의 비교 평가 결과이다.

시간	메세지 감성도 합산					메세지별 감성도 합산/ 메세지 개수
	긍정	불만	불안	슬픔	심각	긍정	불만	불안	슬픔	심각
2014021718	0	5.9	0	0	0	0	1.48	0	0	0
2014021719	0	7	0	0	0	0	2.33	0	0	0
2014021720	0	0	0	0	0	0	0	0	0	0
2014021721	9.7	24.4	3.3	0	44.7	0.07	0.16	0.02	0	0.30
2014021722	71.8	252	136	48.5	199	0.06	0.23	0.12	0.04	0.18
2014021723	64	652	179	273	160	0.05	0.48	0.13	0.20	0.12

상기 표 11에서 메세지별 감성도 합산 방법은 사고 발생 이전의 감성도와 비교하였을 때, 사고 발생 직후 감성도의 세기가 증가한 것을 알 수 있다. 하지만, 메세지별 감성도 합산/메세지 개수 방법은 사고 발생 이전의 감성도와 비교하였을 때, 사고 발생 직후 감성도의 세기가 감소한 것을 알 수 있다. 이는 사고 발생 직후 메세지들의 개수가 많이 증가하지만, 감성 단어를 많이 사용하지는 않는다는 것을 의미한다.

다음 표 12는 2014년 5월 2일 15시경에 발생한 "철도사고" 재난의 비교 평가 결과이다.

시간	메세지 감성도 합산					메세지별 감성도 합산/ 메세지 개수
	긍정	불만	불안	슬픔	심각	긍정	불만	불안	슬픔	심각
2014050212	0	0	0	0	2.4	0	0	0	0	0.40
2014050213	0	0	0	0	5.3	0	0	0	0	0.88
2014050214	0	0	0	0	0	0	0	0	0	0
2014050215	18.3	26.6	49.8	4.3	24.1	0.07	0.11	0.20	0.02	0.10
2014050216	145	586	618	49.2	333	0.05	0.19	0.20	0.02	0.11
2014050217	116	744	592	88.3	251	0.05	0.30	0.24	0.04	0.10

상기 표 12에서 메세지별 감성도 합산 방법은 사고 발생 이전의 감성도와 비교하였을 때, 사고 발생 직후 감성도의 세기가 증가한 것을 알 수 있다. 하지만 메세지별 감성도 합산/메세지 개수 방법은 사고 발생 이전의 감성도와 비교하였을 때, 사고 발생 직후 감성도의 세기가 감소한 것을 알 수 있다.

다음 표 13은 2014년 8월 25일 15시경에 발생한 "호우" 재난의 비교 평가 결과이다.

시간	메세지 감성도 합산					메세지별 감성도 합산/ 메세지 개수
	긍정	불만	불안	슬픔	심각	긍정	불만	불안	슬픔	심각
2014082512	1.9	1.7	10.4	0	2.6	0.04	0.04	0.24	0	0.06
2014082513	4.9	5.9	15.3	3.4	0	0.04	0.05	0.14	0.03	0
2014082514	6.3	8.3	9.2	1.7	5.4	0.06	0.08	0.09	0.02	0.05
2014082515	29.4	37.4	43.7	3.2	34.4	0.09	0.12	0.14	0.01	0.11
2014082516	10.1	25.9	26.5	13	26.9	0.04	0.11	0.11	0.05	0.11
2014082517	23.3	45.3	51.6	9.9	47	0.07	0.13	0.15	0.03	0.14

상기 표 13에서 메세지별 감성도 합산 방법은 사고 발생 이전의 감성도와 비교하였을 때, 사고 발생 직후 감성도의 세기가 증가한 것을 알 수 있다. 하지만, 메세지별 감성도 합산/메세지 개수 방법은 사고 발생 이전의 감성도와 비교하였을 때, 사고 발생 직후 감성도의 세기가 감소한 것을 알 수 있다.

결론적으로, 모든 재난에 대해 가장 우수해 보이는 방법인 메세지별 감성도 합산 방법을 통해 재난별 감성도 정량화를 수행하는 것이 바람직할 것이다.

본 발명의 다른 바람직한 실시형태에 따르면, 본 발명의 빅데이터 의미 기반 감성분류 방법에서는 재난 감성도 모니터링 모듈을 개발하여 제공한다.

상기 본 발명의 바람직한 실시형태에 따른 5가지의 감성유형인 불안, 심각, 슬픔, 불만, 긍정이 실제 재난 발생 시기부터 재난의 진행 기간 동안 어떤 양상으로 나타나는지 모니터링하기 위해 2개의 재난 유형별로 각각 감성도 추이 분석을 하였다.

감성 연관어 네트워크 분석을 통해 해당 재난 분류에 대해 사람들이 어떤 감성을 표현하고 있는지 확인할 수 있다. 감성어 정보는 실제 메세지에서 발현된 감성 키워드의 빈도별 순위와 해당 감성어가 속한 감성 분류를 나타낸다. 추이 및 점유율은 기간에 따른 각 감성 모델별 추이 그래프를 보여주고, 실제 재난 발생 시기부터 재난의 진행 기간 동안 감성 유형이 어떤 양상으로 나타나는지를 방사형 차트를 통해 보여주고 있다.

도 2는 본 발명의 바람직한 실시형태에 따라 "수원 토막살인 사건"의 발생 전인 12월 2일 ~ 15일까지 14일간의 "살인"에 대한 감성 분석 화면을 나타낸 것이다. 도 2에서 알 수 있는 바와 같이, 시신이 발견된 12월 4일에 "불만" 감성이 급증하고, 12월 11일에는 추가 시신 발견으로 사람들의 "불안" 감성이 급증하는 것을 볼 수 있다. 이후 용의자 검거와, 발견된 증거로 인해 구속영장이 발부된 시기와 동일하게 불만 감성이 급증하였다.

도 3은 본 발명의 바람직한 실시형태에 따라 "파키스탄 탈레반 학생 테러" 사건이 발생한 무렵인 12월 15일부터 17일간의 "테러" 감성분석 화면이다. 도 3에 나타난 바와 같이, 앞서 국내에서 발생한 "신은미 토크 콘서트 고교생 테러" 사건에서는 대부분의 감성이 "불만"과 "불안"이었다면, 탈레반 테러 사건에서는 아동을 대상으로 한 끔찍한 테러이고, 140여명의 어린 학생들의 죽음으로 인해 "심각"과 "불만" 감성이 주로 발현된 것을 볼 수 있다.

이상에서 설명한 바와 같이, 본 발명의 기술적 사상은 바람직한 실시형태에서 구체적으로 기술되었으나, 상기한 실시형태는 그 설명을 위한 것이며, 그 제한을 위한 것이 아님을 주의하여야 한다. 본 발명의 기술사상 범위 내에서 다양한 변형 및 수정이 가능함은 당업자에게 명백한 것이며, 따라서 이러한 변형 및 수정이 첨부된 특허청구범위에 속함은 당연한 것이다.

Claims (7)

1. 트위터 등의 소셜미디어에서 인터넷망을 통해 컴퓨터에 실시간 제공되어지는 메세지 데이터를, 상기 컴퓨터 내의 재난 감성도 모니터링 모듈(프로그램)에 의해 키워드, 메세지, 재난유형별 감성도로서 정량화하되 시간별 추이로 표시하도록 하는 빅데이터 의미 기반 재난 감성분류방법에 있어서,
   상기 재난 감성도 모니터링 모듈(프로그램)에서는 실시간 인터넷망을 통해 컴퓨터로 제공되는 메세지 데이터에서 재난유형과 관련된 데이터를 추출하여 단순 빈도기반의 감성분석이 아닌 키워드, 메세지, 재난유형별 감성도 정량화 기법에 의해 감성유형을 분석하되,
   먼저 실제 사고와 관련된 감성어 추출을 위해 메세지 분석을 통해 감성어가 될만한 키워드 유형에 대한 검토를 한 후 "불안, 심각, 슬픔, 불만, 긍정"과 같이 2개 이상의 단계로 감성유형을 분류하고 각 단계별로 키워드들을 예시하여 감성사전을 구축하는 과정과;
   재난 유형별 사람들이 느끼는 감정을 수치화하여 감성도를 표현하기 위해 상기 감성사전의 키워드들은 감성세기에 따라 가중치를 다르게 부여해두는 과정과;
   상기 감성사전의 감성 키워드에 대한 키워드별 감성도 가중치를 학습하고 상기 키워드별 감성도 가중치를 이용하여 메세지별 감성도를 정량화하고 최종적으로는 재난유형별 감성도 정량화를 수행하되, 재난 발생 전후에 대한 실제의 메세지 데이터들을 키워드에 대해 "불안, 심각, 슬픔, 불만, 긍정"과 같이 2개 이상의 감성유형으로 실시간으로 분류하여, 각 감성유형에 대한 키워드에 대해서는 가중치를 합산하여 메세지별 감성도를 정량화하는 과정과;
   상기 실시간으로 정량화된 메세지별 감성도를 실제 재난이 발생했던 시간에 대해 표시함으로써, 재난유형에 대한 감성유형의 추이가 실시간으로 모니터링할 수 있도록 제공되는 과정으로 구성됨을 특징으로 하는 빅데이터 의미 기반 재난 감성분류방법.
   
2. 제1항에 있어서, 상기 감성유형의 각 단계별 키워드에서는, 일반 감성표현, 감각표현, 묘사나 평가표현, 명사형 어절, 관형형 표현, 부사어를 포함하되, 재난상황과 관련없는 감성표현이나 중의성이 많은 표현은 제외하는 것을 특징으로 하는 빅데이터 의미 기반 재난 감성분류 방법.
   
3. 제1항에 있어서, 상기 키워드는 정량화한 수치로 표시하되 감성도 세기에 따른 가중치로 표시하며, 감성 키워드 가중치는 다음과 같이 계산되는 것을 특징으로 하는 빅데이터 의미 기반 재난 감성분류 방법.
   
   

   

   
   여기에서 senti는 해당 감성 키워드를 의미하고, Senti_Weight(senti)는 해당 감성 키워드의 감성도 가중치를 의미하며, Num_senti(detected)는 재난 발생 이슈 탐지로 추출된 트윗들 중에서 해당 감성 키워드가 포함된 트윗 수를 의미하고, Num_senti(total)은 전체 트윗들 중에서 해당 감성 키워드가 포함된 트윗 수를 의미함.
   
4. 제1항에 있어서, 상기 키워드는 급상승 재난관련 이슈와 관련된 것으로 감성의 세기가 강한 경우에는, 감성 키워드 가중치가 다음과 같이 계산되는 것을 특징으로 하는 빅데이터 의미 기반 재난 감성분류 방법.
   
   

   

   
   

   

   
   여기에서 senti, Senti_Weight(senti), Num_senti(detected), Num_senti(total)은 상기 일반 빈도에 비례한 재난 빈도 방식과 동일한 의미이며, Num(detected)는 재난 발생 이슈 탐지로 추출된 메세지 수를 의미함.
   
5. 제1항에 있어서, 상기 키워드는 감성분류별 감성도를 순위화하고, 1.1 ~ 2.0 사이의 가중치를 부여한 것을 특징으로 하는 빅데이터 의미 기반 재난 감성분류 방법.
   
6. 삭제
7. 삭제

Images